[发明专利]一种多图片集曝光分布差异的衡量方法

说明书

本发明公开了一种多图片集曝光分布差异的衡量方法，包括如下步骤：S1、构造衡量单一灰度图片曝光度的指标；S2、分别对多个图片集合IA,IB,…,IN的所有灰度图片进行曝光值计算，统计所有图片的曝光值，得到曝光值集合A,B,…,N，对不同曝光值集合分别统计在同一曝光值下的图片数量得到分布直方图；S3、衡量多个图片集合间的统计差异。本发明提出了衡量灰度图片曝光度以及灰度图片集合间曝光分布差异的方法，用于衡量是否由于数据集合曝光改变导致深度学习模型效果的下降，为深度学习模型的改进提供参考。

技术领域

本发明涉及计算机技术领域，特别涉及一种多图片集曝光分布差异的衡量方法。

背景技术

随着深度学习的兴起，基于深度学习的图片识别、检测等技术被大量应用于工业场景。在工业产线上，工业相机往往拍摄灰度照片，进行识别模型的训练。模型上线初期，会先从预批次产线上采集一批数据进行标注和训练，将模型调整到较高的识别率，之后应用于其他产线上。然后深度学习训练出的模型识别效果常受限于训练数据。产线变化后，原采集数据的分布不完全与变化后产线采集的数据一致，此时再使用预批次产线数据训练模型识别时，识别效果下降。

采集数据整体受到较多因素的影响，在灰度图片中，图片的曝光程度是影响图片变化的一个重要因素，如图片过曝或曝光不充分都会影响图片的变化。因此，利用图片的曝光度来衡量采集数据整体分布的差异变得十分重要。

发明内容

为解决上述问题，本发明提供了一种多图片集曝光分布差异的衡量方法。

本发明采用以下技术方案：

一种多图片集曝光分布差异的衡量方法，包括如下步骤：

S1、构造衡量单一灰度图片曝光度的指标；

S2、分别对多个图片集合IA,IB,…,IN的所有灰度图片进行曝光值计算，统计所有图片的曝光值，得到曝光值集合A,B,…,N，对不同曝光值集合分别统计在同一曝光值下的图片数量得到分布直方图；

S3、衡量多个图片集合间的统计差异。

进一步地，所述步骤S1具体为：将图片i输入亮度增强网络，得到变换矩阵T(i)，然后将T(i)与图片i进行按位乘而得到亮度增强的图片i’，对矩阵T(i)内的元素取平方均值作为图片i的曝光值。

进一步地，所述亮度增强网络采用Zero-DCE或EnlightenGAN。

进一步地，所述矩阵T(i)的基本数学形式如下：

其中，m为输入图片i的高度，n为输入图片i的宽度。

进一步地，所述步骤S3具体为：对曝光值集合A,B,…,N进行K-S检验，得到p-value值x，然后对x进行以下计算：最终得到相似度值similarity(x)用于衡量IA,IB,…,IN多图片集合曝光分布的相似度。

采用上述技术方案后，本发明与背景技术相比，具有如下优点：

本发明从灰度图片曝光度切入，提出了衡量图片曝光度以及图片集合间曝光分布差异的方法，用于衡量是否由于数据集合曝光改变导致深度学习模型效果的下降，为深度学习模型的改进提供参考。

附图说明

图1为本发明实施例一的分布直方图；

图2为本发明实施例二的分布直方图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

实施例一